研究目的
通过提出一个网络（SLNet）来改进基于结构光的深度采集，该网络提取有效的匹配特征，考虑不同的感受野并分配权重，同时创建用于训练和测试的数据集。
研究成果
SLNet通过整合深度学习技术有效提升了结构光系统中的深度获取能力，能够提供实时且高质量的深度图。在模拟和真实实验中，其性能均优于现有方法。
研究不足
小于补丁尺寸的微小物体可能无法清晰识别，且投影仪与相机之间的基线较短时精度会下降。需采用高密度图案和高分辨率相机来提升效果。
1：实验设计与方法选择：
SLNet架构集成了高效的孪生网络、金字塔池化以及改进的挤压激励网络（SENet）进行特征提取与权重计算，将图像块匹配视为多分类任务。
2：样本选择与数据来源：
通过在Monkaa双目立体数据集（训练用）和Middlebury数据集（测试用）重建的3D场景上投射随机图案，构建结构光数据集。
3：实验设备与材料清单：
包括投影仪（LightCrafter）、相机（PointGrey）及计算硬件（Geforce TITAN Xp GPU）。
4：实验流程与操作步骤：
包含3D场景重建、图案投射、图像采集、数据集生成、采用AdaGrad优化的随机梯度下降法训练网络，以及为提升效率对完整图像进行测试。
5：数据分析方法：
使用Bad1.0和Bad2.0指标评估性能，并与经典方法和Kinect-V1进行主观对比。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Geforce TITAN Xp
TITAN Xp
NVIDIA
Used for training and testing the SLNet network, providing computational power for deep learning processes.
-
PointGrey
PointGrey
FLIR
Camera used in real-world experiments to capture patterned scenes for depth estimation.
-
LightCrafter
LightCrafter
Texas Instruments
Projector used in real-world experiments to project random patterns for structured light depth acquisition.
-
Kinect-V1
Kinect for Xbox 360
Microsoft
Used for comparison in real-world experiments to evaluate the performance of SLNet against existing depth cameras.
-
登录查看剩余2件设备及参数对照表
查看全部
